Розробка інтелектуальної системи керування пристроєм розпізнавання хлібної смугастої блішки (Phyllotreta vittula)

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2025.331285

Ключові слова:

штучний інтелект, Raspberry Pi, YOLO, OpenCV, моніторинг шкідників, сільське господарство, комп'ютерний зір

Анотація

Об'єктом дослідження є автономний пристрій на Raspberry Pi для розпізнавання шкідників у реальному часі. Вирішувана проблема полягає у відсутності доступних, енергоефективних та автономних рішень для роботи в польових умовах без підключення до інтернету.

Представлено розробку інтелектуального пристрою для моніторингу шкідника. Пристрій орієнтований на автоматичне розпізнавання хлібної смугастої блішки (Phyllotreta vittula) у посівах зернових культур. В результаті дослідження створено систему на базі мікрокомп'ютера Raspberry Pi 4.0 з використанням бібліотеки OpenCV та моделі YOLO. Пристрій виконує обробку відеопотоку, ідентифікує шкідників та зберігає дані локально. Система забезпечує високу точність при низькому енергоспоживанні. Це стало можливим завдяки легкій нейромережевій архітектурі та оптимізованій обробці зображень. Відмінною особливістю рішення є автономність, мобільність та стійкість до умов змінного освітлення. Система також працює при обмежених обчислювальних ресурсах. Отримані результати демонструють, що пристрій може бути ефективно використаний у системах точного землеробства та наукових установах. Пристрій допомагає виявляти шкідника та приймати агротехнічні рішення на ранніх стадіях зараження. Розробка може бути адаптована під інші види шкідників з мінімальними змінами в моделі. У перспективі система може бути інтегрована в ширші платформи агромоніторингу з можливістю передачі даних у хмару. Практичне застосування пристрою можливе як у великих господарствах, так і на приватних фермах. Особливо актуальна розробка для регіонів з обмеженою технічною інфраструктурою

Біографії авторів

Akerke Akanova, S. Seifullin Kazakh Agrotechnical Research University

PhD, Senior Lecture

Department of Computer Engineering and Software

Galiya Anarbekova, S. Seifullin Kazakh Agrotechnical Research University

Master of Natural Sciences, Doctoral Student

Department of Computer Engineering and Software

Mira Kaldarova, Astana International University

PhD, Senior Lecture

School of Information Technology and Engineering

Nazira Ospanova, Toraighyrov University

PhD, Associate Professor, Head of Department

Department of Information Technology

Saltanat Sharipova, Astana IT University

PhD

Посилання

  1. Aijaz, N., Lan, H., Raza, T., Yaqub, M., Iqbal, R., Pathan, M. S. (2025). Artificial intelligence in agriculture: Advancing crop productivity and sustainability. Journal of Agriculture and Food Research, 20, 101762. https://doi.org/10.1016/j.jafr.2025.101762
  2. Espinel, R., Herrera-Franco, G., Rivadeneira García, J. L., Escandón-Panchana, P. (2024). Artificial Intelligence in Agricultural Mapping: A Review. Agriculture, 14 (7), 1071. https://doi.org/10.3390/agriculture14071071
  3. Ahmed, S., Marwat, S. N. K., Brahim, G. B., Khan, W. U., Khan, S., Al-Fuqaha, A., Koziel, S. (2024). IoT based intelligent pest management system for precision agriculture. Scientific Reports, 14 (1). https://doi.org/10.1038/s41598-024-83012-3
  4. Venkateswara, S. M., Padmanabhan, J. (2025). Deep learning based agricultural pest monitoring and classification. Scientific Reports, 15 (1). https://doi.org/10.1038/s41598-025-92659-5
  5. Sciarretta, A., Calabrese, P. (2019). Development of Automated Devices for the Monitoring of Insect Pests. Current Agriculture Research Journal, 7 (1), 19–25. https://doi.org/10.12944/carj.7.1.03
  6. Song, B., Chen, J., Liu, W., Fang, J., Xue, Y., Liu, X. (2025). YOLO-ELWNet: A lightweight object detection network. Neurocomputing, 636, 129904. https://doi.org/10.1016/j.neucom.2025.129904
  7. Ding, J.-Y., Zou, C.-M., Jeon, W.-S., Rhee, S.-Y. (2024). An Improved YOLO Detection Approach for Pinpointing Cucumber Diseases and Pests. Computers, Materials & Continua, 81 (3), 3989–4014. https://doi.org/10.32604/cmc.2024.057473
  8. Brunelli, D., Minakov, I., Passerone, R., Rossi, M. (2015). Smart monitoring for sustainable and energy-efficient buildings: A case study. 2015 IEEE Workshop on Environmental, Energy, and Structural Monitoring Systems (EESMS) Proceedings, 186–191. https://doi.org/10.1109/eesms.2015.7175875
  9. Gao, Y., Yin, F., Hong, C., Chen, X., Deng, H., Liu, Y. et al. (2024). Intelligent field monitoring system for cruciferous vegetable pests using yellow sticky trap images and an improved Cascade R-CNN. Journal of Integrative Agriculture. https://doi.org/10.1016/j.jia.2024.06.017
  10. Chen, X., Yang, X., Hu, H., Li, T., Zhou, Z., Li, W. (2025). DAMI-YOLOv8l: A multi-scale detection framework for light-trapping insect pest monitoring. Ecological Informatics, 86, 103067. https://doi.org/10.1016/j.ecoinf.2025.103067
  11. Tetila, E. C., da Silveira, F. A. G., da Costa, A. B., Amorim, W. P., Astolfi, G., Pistori, H., Barbedo, J. G. A. (2024). YOLO performance analysis for real-time detection of soybean pests. Smart Agricultural Technology, 7, 100405. https://doi.org/10.1016/j.atech.2024.100405
  12. Qayyum, H., Ali, F., Saleem, K., Ahmad, I., Iqbal, M. J. (2025). YOLOCSP-PEST for Crops Pest Localization and Classification. Computers, Materials & Continua, 82 (2), 2373–2388. https://doi.org/10.32604/cmc.2025.060745
  13. Hakim, A., Srivastava, A. K., Hamza, A., Owais, M., Habib-ur-Rahman, M., Qadri, S. et al. (2025). Yolo-pest: an optimized YoloV8x for detection of small insect pests using smart traps. Scientific Reports, 15 (1). https://doi.org/10.1038/s41598-025-97825-3
  14. Chen, H., Wen, C., Zhang, L., Ma, Z., Liu, T., Wang, G. et al. (2025). Pest-PVT: A model for multi-class and dense pest detection and counting in field-scale environments. Computers and Electronics in Agriculture, 230, 109864. https://doi.org/10.1016/j.compag.2024.109864
  15. Wang, N., Fu, S., Rao, Q., Zhang, G., Ding, M. (2025). Insect-YOLO: A new method of crop insect detection. Computers and Electronics in Agriculture, 232, 110085. https://doi.org/10.1016/j.compag.2025.110085
  16. Saranya, T., Deisy, C., Sridevi, S. (2024). Efficient agricultural pest classification using vision transformer with hybrid pooled multihead attention. Computers in Biology and Medicine, 177, 108584. https://doi.org/10.1016/j.compbiomed.2024.108584
  17. Wu, T., Shi, L., Zhang, L., Wen, X., Lu, J., Li, Z. (2023). RS Transformer: A Two-Stage Region Proposal Using Swin Transformer for Few-Shot Pest Detection in Automated Agricultural Monitoring Systems. Applied Sciences, 13 (22), 12206. https://doi.org/10.3390/app132212206
  18. Gonzalez-Huitron, V., León-Borges, J. A., Rodriguez-Mata, A. E., Amabilis-Sosa, L. E., Ramírez-Pereda, B., Rodriguez, H. (2021). Disease detection in tomato leaves via CNN with lightweight architectures implemented in Raspberry Pi 4. Computers and Electronics in Agriculture, 181, 105951. https://doi.org/10.1016/j.compag.2020.105951
  19. Tiwari, S., Gehlot, A., Singh, R., Twala, B., Priyadarshi, N. (2025). Design of an improved model for finger millet leaf disease detection with raspberry Pi using multimodal data acquisition and precision-aware CNN. Results in Engineering, 25, 103969. https://doi.org/10.1016/j.rineng.2025.103969
  20. Rakesh, M. D., Jeevankumar, M., Rudraswamy, S. B. (2025). Implementation of real time root crop leaf classification using CNN on raspberry-Pi microprocessor. Smart Agricultural Technology, 10, 100714. https://doi.org/10.1016/j.atech.2024.100714
  21. Upendra, M., Anuradha, T., Prakash, L. (2025). Bird Repeller Using Opencv. Procedia Computer Science, 252, 975–984. https://doi.org/10.1016/j.procs.2025.01.058
  22. Wei, M., Zhan, W. (2024). YOLO_MRC: A fast and lightweight model for real-time detection and individual counting of Tephritidae pests. Ecological Informatics, 79, 102445. https://doi.org/10.1016/j.ecoinf.2023.102445
  23. Wu, R., He, F., Rong, Z., Liang, Z., Xu, W., Ni, F., Dong, W. (2024). TP-Transfiner: high-quality segmentation network for tea pest. Frontiers in Plant Science, 15. https://doi.org/10.3389/fpls.2024.1411689
  24. Anarbekova, G., Ruiz, L. G. B., Akanova, A., Sharipova, S., Ospanova, N. (2024). Fine-Tuning Artificial Neural Networks to Predict Pest Numbers in Grain Crops: A Case Study in Kazakhstan. Machine Learning and Knowledge Extraction, 6 (2), 1154–1169. https://doi.org/10.3390/make6020054
  25. Amnerkar, P. G., Bawane, K., Raut, M., Bargat, D., Damahe, B., Ande, K. A. (2023). An IoT-Based Solution for Insect Monitoring in Agriculture Using Raspberry Pi and YOLO. International Research Journal of Modernization in Engineering Technology and Science, 5 (4). https://doi.org/10.56726/irjmets36564
  26. Le, A., Pham, D. A., Thanh, D., Vo, H. B. (2024). AlertTrap: A Study on Object Detection in Remote Insect Trap Monitoring System Using on the Edge Deep Learning Platform. Journal of Computational and Cognitive Engineering. https://doi.org/10.47852/bonviewjcce42023264
  27. Huang, Y., Liu, Z., Zhao, H., Tang, C., Liu, B., Li, Z. et al. (2025). YOLO-YSTs: An Improved YOLOv10n-Based Method for Real-Time Field Pest Detection. Agronomy, 15 (3), 575. https://doi.org/10.3390/agronomy15030575
  28. Zarboubi, M., Bellout, A., Chabaa, S., Dliou, A., Zeroual, A. (2024). IoT-Based Pest Detection in Agriculture Using Raspberry Pi and YOLOv10m for Precision Farming. ITM Web of Conferences, 69, 04017. https://doi.org/10.1051/itmconf/20246904017
Розробка інтелектуальної системи керування пристроєм розпізнавання хлібної смугастої блішки (Phyllotreta vittula)

##submission.downloads##

Опубліковано

2025-06-25

Як цитувати

Akanova, A., Anarbekova, G., Kaldarova, M., Ospanova, N., & Sharipova, S. (2025). Розробка інтелектуальної системи керування пристроєм розпізнавання хлібної смугастої блішки (Phyllotreta vittula). Eastern-European Journal of Enterprise Technologies, 3(5 (135), 39–48. https://doi.org/10.15587/1729-4061.2025.331285

Номер

Том 3 № 5 (135) (2025): Прикладна фізика

Розділ

Прикладна фізика

Ліцензія

Авторське право (c) 2025 Akerke Аkanova, Galiya Anarbekova, Mira Kaldarova, Nazira Ospanova, Saltanat Sharipova

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.